本发明提出了一种基于自回归模型和高斯过程的桥梁概率损伤检测方法,所述桥梁概率损伤检测方法能通过高斯过程分类机和高斯过程回归机对加速度传感器的响应数据进行处理,得到损伤位置和损伤程度信息;本发明的有益技术效果是:提出了一种基于自回归模型和高斯过程的桥梁概率损伤检测方法,该方案的实现不依赖桥梁未损状态信息和外部激励信息,实现难度较小,而且可以同时识别出损伤位置和损伤程度,以及将不可靠结果剔除。
1.一种基于自回归模型和高斯过程的桥梁概率损伤检测方法,其特征在于:所述桥梁概率损伤检测方法包括:1)采用有限元软件建立实际桥梁的仿真模型,仿真模型上设置有多个仿真加速度传感器,仿真加速度传感器的数量、编号和位置与实际桥梁上的加速度传感器的数量、编号和位置一一对应;2)设计多种损伤方案;单种损伤方案包括:在仿真模型上设置单个或多个损伤部位,并对仿真模型上损伤部位处的结构弹性模量进行调节;所述损伤部位在仿真模型上的位置记为损伤位置信息,所述结构弹性模量记为损伤程度信息;3)在单种损伤方案条件下,获取所有仿真加速度传感器的响应数据,得到传感器数据组;每种损伤方案均对应一传感器数据组;4)对多个传感器数据组进行标准化处理,根据标准化处理结果建立自回归模型;5)根据自回归模型,提取每个仿真加速度传感器的自回归模型残差标准差;根据自回归模型残差标准差,为相应仿真加速度传感器构造损伤特征参数DSFi,i=1,2,3,…,d,d为仿真加速度传感器的数量;DSFi=σεi其中,DSFi为与第i个仿真加速度传感器对应的损伤特征参数;σεi为第i个仿真加速度传感器的自回归模型残差标准差;根据DSFi,构建结构损伤位置信息L1和结构损伤状态信息L2:根据DSFi、L1和L2,构建分类算法特征向量RSD1和回归算法特征向量RSD2:RSD1=(σεσ,σε2,…,σεi,L1,L2)RSD2=(σε1,σε2,…,σεi)建立第一训练样本集;对应不同损伤方案的多个RSD1作为第一训练样本集中的多个输入样本,与多个RSD1一一对应的多个损伤位置信息作为第一训练样本集中的多个输出样本;建立第二训练样本集;对应不同损伤方案的多个RSD2作为第二训练样本集中的多个输入样本,与多个RSD2一一对应的多个损伤程度信息作为第二训练样本集中的多个输出样本;6)根据高斯过程分类算法建立高斯过程分类机,根据高斯过程回归算法建立高斯过程回归机;将RSD1作为输入向量,将损伤位置信息作为输出,用第一训练样本集对高斯过程分类机进行训练;将RSD2作为输入向量,将损伤程度信息作为输出,用第二训练样本集对高斯过程回归机进行训练;7)将训练好的高斯过程分类机和高斯过程回归机投入使用;周期性地获取实际桥梁上的所有加速度传感器的响应数据,得到实际传感器数据组;根据步骤4)得到的自回归模型和实际传感器数据组构建第一特征向量RSD11和第二特征向量RSD22;RSD11=(σ′ε1,σ′ε2,…,σ′εi,L1′,L2′)RSD22=(σ′ε1,σ′ε2,…,σ′εi)其中,其中,DSF′i为与实际桥梁上的第i个加速度传感器对应的损伤特征参数;DSF′i=σ′εi;σ′εi为实际桥梁上的第i个加速度传感器的自回归模型残差标准差;将RSD11作为输入向量输入高斯过程分类机,根据高斯过程分类机的输出结果识别出损伤位置;将RSD22作为输入向量输入高斯过程回归机,然后根据下式判断高斯过程回归机的输出结果是否可靠:其中,u为高斯过程回归机的输出结果所服从的高斯分布的均值;σ为高斯过程回归机的输出结果所服从的高斯分布的标准差;若高斯过程回归机的输出结果可靠,则根据高斯过程回归机的输出结果识别出损伤程度信息。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311471.html,转载请声明来源钻瓜专利网。